Filtreler
Filtreler
Bulunan: 3 Adet 0.001 sn
Tam Metin [1]
Tür [1]
Yayın Tarihi [2]
Kayıt Giriş Tarihi [1]
Tez Danışmanı [2]
Yayın Dili [1]
Konu Başlıkları [2]
Estimation of emotional situation using EEG signals and machine learning methods EEG sinyalleri ve makine öğrenme yöntemlerini kullanılarak duygusal durum kestirimi

Yeşilkaya, Bartu

Yüksek Lisans | 2020 | Graduate School of Natural and Applied Sciences

ÖZETEmotion estimation is an effective analysis method used to increase the interaction between humans and machines. Electroencephalogram (EEG) based emotion prediction studies based on brain signals become very attractive since they provide successful results of emotion analysis. In this study, new methods for emotion prediction are presented in accordance with dimensional emotion modeling. Multichannel EEG signals are recorded while the subjects viewed pictures from the International Affective Image System (IAPS) data set. Signal preconditioning and artefact elimination was performed by applying necessary filters on the recorded d . . .ata. Several features are extracted and the signals are classified using classification methods such as support vector machines and K-nearest neighbor. To improve the classification performance, we propose a second method where EEG signals are further analyzed by Multivariate Empirical Mode Decomposition (MEMD) and similar features are extracted from the intrinsic mode functions (IMFs) of the MEMD and classified using machine learning methods. As a third method, Deep Learning (DL) approach is proposed for classification of emotional labels. Time-frequency (TF) representations of the IMFs extracted using MEMD method are calculated by the Short-time Fourier Transform (STFT) and spectrogram. These spectrograms considered as TF images are applied to a Convolutional Neural Network (CNN) to classify the emotional labels. Performance results of the proposed methods suggest that utilizing an advanced signal processing method such as MEMD and using DL approach for classification provides encouraging results and may be used in future human-machine interaction studies.SUMMARYDuygu tahmini insanlar ve makineler arasındaki etkileşimi arttırmak amaçlı kullanılan etkili bir analiz yöntemidir. Duygu analizi deneylerinde başarılı sonuçlar verdiği için günümüzde beyin sinyallerine dayalı, elektroensefalogram (EEG) tabanlı duygu tahmini araştırmaları ilgi çekmektedir. Bu çalışmada boyutsal duygu modellemesi doğrultusunda duygu tahmini analizi için yeni yöntemler önerilmektedir. Uluslararası Afektif Görüntü Sisteminden (IAPS) alınan görseller ile oluşturulmuş veri seti kullanılarak çok kanallı EEG sinyalleri kayıt edilmiştir. Bu veriler üzerinde gerekli olan filtreler uygulanarak veri temizleme ve gürültü giderme ön işlemleri gerçekleştirilmiştir. Daha sonra EEG sinyallerinden çeşitli öznitelikler elde edilmiş ve Destek Vektör Makineleri (DVM) ve K-en yakın komşu gibi sınıflandırma yöntemleri kullanılarak sınıflandırılmıştır. Başarı oranını arttırmak için EEG sinyalleri Çok Değişkenli Görgül Kip Ayrışım (ÇDGKA) yöntemi ile analiz edilerek elde edilen Özgün Kip Fonksiyonlarından (ÖKF) benzer öznitelikler hesaplanmış ve sınıflandırılmıştır. Duygu durum kestirimi için üçüncü bir yöntem olarak derin öğrenme tabanlı bir yaklaşım önerilmiştir. ÇDGKA ile elde edilen ÖKF'lerin zaman-frekans (ZF) gösterimleri Kısa Zamanlı Fourier Dönüşümü (KZFD) ve Spektrogram ile elde edilmiştir. Hesaplanan spektrogram matrisleri ZF imgesi olarak değerlendirilmiş, evrişimsel sinir ağını eğitmek ve duygu durum kestirimi için giriş olarak kullanılmıştır. Önerilen yöntemlerin başarım sonuçları, ÇDGKA gibi ileri sinyal analiz yöntemi ve derin öğrenme yaklaşımı kullanılarak duygu durum kestiriminde başarılı sonuçlar elde edildiğini ve gelecek insan-makine etkileşim sistemlerinde kullanılabileceğini göstermektedir Daha fazlası Daha az

Multi-channel EEG-based emotion classification using deep neural networks Derin sinir ağları kullanarak çok kanallı EEG tabanlı duygu sınıflandırması

Ergin, Tuğba

Yüksek Lisans | 2021 | Graduate School of Natural and Applied Sciences

ÖZETDuygular, belirli bir nesnenin, olayın veya anın bir kişinin iç dünyasında yarattığı izlenimlerdir. Duygular hayatımızın önemli bir parçasıdır. Bu çalışmanın amacı, çok değişkenli senkrosıkıştırma dönüşümüne dayalı olarak görsel ve işitsel uyaranları kullanarak çok kanallı EEG sinyallerinden duyguları sınıflandırmaktır. Bu çalışmada 13 kadın ve 12 erkekten EEG sinyalleri alınmıştır. Grafik kullanıcı arayüzü (GUI), belirli zaman aralıklarında görsel ve işitsel uyaranları görüntülemek için tasarlanmıştır. Uluslararası Afektif Görüntü Sisteminden (IAPS) seçilen 48 resim ve aynı özelliklerde seçilen 12 resimden oluşan 60 görsel uyar . . .an kullanılmıştır. Ayrıca Uluslararası Duyuşsal Sayısallaştırılmış Sesler Sisteminden (IADS) seçilen 48 ses ve aynı özelliklerde seçilen 12 sesten oluşan 60 işitsel uyaran uyaran kullanılmıştır. EEG sinyalleri elde edildikten sonra ön işleme yapılır ve uyaranların gösterildiği zaman aralıklarını elde etmek için uzun sinyaller segmentlere ayrılır. Çok değişkenli senkrosıkıştırma dönüşümü yöntemi ile 32 kanal eş zamanlı olarak işlenmiştir. Daha sonra elde edilen 2 boyutlu görüntüler derin öğrenme mimarisine girdi olarak verilmiştir. Bu çalışmada en bilinen evrişimli sinir ağı mimarilerinden AlexNet, VGG-19, GoogLeNet, ResNet-50 ve Inception-v3 mimarileri kullanılmıştır. En iyi AlexNet çıkmıştır ve bu nedenle diğer sınıflandırma senaryoları AlexNet üzerinden yürütüldü. Bu çalışmada önerilen modellerin sağlamlığını değerlendirmek için k-katlamalı çapraz doğrulama uygulanmış ve k değeri 3 olarak seçilmiştir. Uyarılma, valence ve baskınlıkta Kat-1, Kat-2, Kat-3 ve ortalama kat için performans ölçümleri yapılmıştır. AlexNet mimarisini görsel uyarılmada eğiterek, 71,60 ortalama doğruluk değerine, işitsel uyarılmada ise 70,58 ortalama doğruluk değerine ulaşılmıştır. Görsel değerlik için ortalama doğruluk değeri 67.93 iken işitsel değerlik için ortalama doğruluk değeri 70.58 idi. Görsel baskınlık için ortalama doğruluk değeri 65,40 iken, işitsel baskınlık için ortalama doğruluk değeri 72,60 olarak bulunmuştur. Sonuçlar, önerilen yöntemin duyguları sınıflandırmak için umut verici bir performans gösterdiğini kanıtlamıştır. Önerilen yöntem, hesaplama maliyetini azaltmış ve sınıflandırma performansını önemli ölçüde iyileştirmiştir.ABSTRACTEmotions are the impressions that a particular object, event or moment creates in the inner world of a person. Emotions are an important part of our lives. The aim of this study is to classify emotions from multi-channel EEG signals using visual and auditory stimuli based on multivariate synchrosqueezing transform. In this study, EEG signals were obtained from 13 women and 12 men. The graphical user interface (GUI) is designed to display visual and auditory stimuli at specific time intervals. The 60 visual stimuli consisting of 48 images selected from the International Affective Image System (IAPS) and 12 images selected with the same characteristics were used. In addition, 60 auditory stimuli consisting of 48 voices selected from the International Affective Digitized Sounds System (IADS) and 12 voices selected with the same characteristics were used. Preprocessing is done after the EEG signals are obtained and long signals are segmented to obtain the time intervals in which the stimuli are shown. With the multivariate synchrosqueezing transform method, 32 channels were processed simultaneously. Then the 2D images obtained were given as input to the deep learning architecture. In this study, AlexNet, VGG-19, GoogLeNet, ResNet-50 and Inception-v3 architectures were used, which are among the most known convolutional neural network architectures. The best AlexNet came out and therefore other classification scenarios were executed over AlexNet. The k-fold cross validation was adopted to evaluate the robustness of the models proposed in this study and the k value was chosen as 3. Performance measurements were made for Fold-1, Fold-2, Fold-3, and average fold in valence, arousal and dominance. By training the AlexNet architecture in visual arousal, an average accuracy value of 71.60 was reached, while an average accuracy value of 70.58 was achieved in auditory arousal. The average accuracy value for visual valence was 67.93, while the average accuracy value for auditory valence was 70.58. While the average accuracy value for visual dominance was 65.40, the average accuracy value was 72.60 for auditory dominance. The results demonstrated that the proposed method achieved promising performance to classify the emotions. The proposed method reduced the computational cost, and significantly improved the classification performance Daha fazlası Daha az

Analysis of multichannel EEG signals for the detection of major depressive disorder Majör depresif bozukluğunun tespiti için çok kanallı EEG sinyallerinin analizi

İzci, Elif

Yüksek Lisans | 2021 | Graduate School of Natural and Applied Sciences

Majör depresif bozukluk (MDB), dünya çapında yaygın olarak görülen bir duygudurum bozukluğudur. MDB tanısı, psikometrik anketler, hastanın kendi raporu ve profesyonelin klinik deneyimi gibi öznel yöntemlere dayanır. Bu tezin amacı, MDB hastalarını sağlıklı kişilerden (HC) ayırt etmeyi sağlayan objektif bir yöntem geliştirmektir. Elektroensefalograma (EEG) dayalı bilgisayar destekli (CAD) algoritmalar, MDB tanısındaki başarısı nedeniyle büyük ilgi görmektedir. Bu tezde, çok kanallı EEG sinyallerini analiz ederek MDB hastalığını ayırt etmek için için üç yaklaşım önerilmiştir.ABSTRACTMajor depressive disorder (MDD) is a common mood dis . . .order encountered worldwide. The diagnosis of MDD is based on qualitative methods such as psychometric questionnaires, patient self-report, and the professional's clinical experience. The aim of this thesis is to develop an quantitative method to differentiate MDD patients from healthy controls (HCs). Electroencephalogram (EEG)-based computer-aided (CAD) methods have great attention due to the success of diagnosing MDD. In this thesis, three approaches for identifying MDD by analyzing multichannel EEG signals are proposed Daha fazlası Daha az

6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında yükümlülüklerimiz ve çerez politikamız hakkında bilgi sahibi olmak için alttaki bağlantıyı kullanabilirsiniz.

creativecommons
Bu site altında yer alan tüm kaynaklar Creative Commons Alıntı-GayriTicari-Türetilemez 4.0 Uluslararası Lisansı ile lisanslanmıştır.
Platforms